一种基于深度学习的WiFi室内定位系统的制作方法

本发明属于室内定位技术领域，更具体地，涉及一种基于深度学习的wifi室内定位系统。

背景技术：

随着位置的服务越来越广泛地应用于室内环境，对于室内定位技术的研究吸引了越来越多的科研及商业工作者。基于wifi指纹的室内定位技术成为最受欢迎的室内定位技术之一，已经在各种各样的室内场所投入应用。然而，无线信号本身固有的波动性在定位阶段造成很大的定位误差。另外，在复杂的室内环境中，由于多径效应、信号衰落及其他噪声影响使得接受信号强度在时空阈中复杂变化。

为了解决以上的技术难题，已经有很多技术人员通过经典的knn算法、机器学习算法及一些深度学习网络提升基于wifi指纹的室内定位技术的定位精度。但是，在定位方案的普适性及最终的定位精度方面存在以下缺陷：

(1)现有的基于wifi指纹的室内定位技术中，传统的定位算法无法满足高精度定位的要求。在定位过程中，由于信号的波动性太大，致使定位结果容易漂移，个别的定位误差远远高于定位的精度需求。

(2)在用机器学习处理wifi指纹的技术方案中，由于利用机器学习处理数据需要高复杂度的数据运算，在移动设备中占用大量的运算资源，影响移动设备其他软件的应用，并且会大大降低移动设备的续航能力。

(3)深度学习引入wifi指纹的室内定位技术中，需要采集大量的数据进行指纹的训练，这在离线环节消耗了大量的人力资源，提高了技术应用成本。另外，往往大多数深度学习方法选择训练大量通道状态信息信号。然而，该信号无法在手机端进行采集与定位，大大降低该方案的普适性。

技术实现要素：

针对现有技术存在的不足之处，本发明提出了一种基于深度学习的wifi室内定位系统，以解决室内接收信号强度信号在时空阈中，由于多径效应、信号衰落及其他噪声干扰引起的信号波动性问题，通过深度置信网络探究信号内部的环境属性，提取特征指纹进行最终的目标定位，并且有效地达到当前定位技术不能达到的定位精度。

本发明采用如下技术方案：

一种基于深度学习的wifi室内定位系统，它包括依次连接的离线数据获取模块(100)、粗指纹库建立模块(200)、特征指纹库提取模块(300)、在线数据融合模块(400)和目标位置输出模块(500)，其中，

所述离线数据获取模块(100)用于获取接入点的物理地址信息，采集位于参考点处离线接收信号强度数据，并将这些数据传输给粗指纹库建立模块(200)；

所述粗指纹库建立模块(200)遍历所有参考点处的离线接收信号强度数据，使得离线接收信号强度与参考点的位置坐标一一对应生成粗指纹库；

所述特征指纹库提取模块(300)归一化参考点处离线接受信号强度数据，将其输入至四层深度置信网络进行训练，四层深度置信网络输出权重和偏置矩阵存储为特征指纹；

所述在线数据融合模块(400)实时采集接收信号强度数据并对其进行归一化处理，再利用每个参考点处的特征指纹对实时采集的接收信号强度数据进行重构，将重构的接受信号强度数据与实时采集的原数据输入至径向基函数，计算出两者之间的差异度，该差异度表征着实时采集的接受信号强度数据出现在该参考点的概率，遍历所有的参考点，计算出当前接收信号强度数据出现在每个参考点处的概率，最后通过参考点位置的权重计算出实时接收信号强度数据对应的地理位置；

所述的目标位置输出模块(500)将基于数据融合算法估算出的目标位置进行输出，完成对目标位置的定位。

本技术方案进一步的优化，所述离线数据获取模块(100)包括无线传感器模块(101)和离线接收信号强度采集模块(102)，无线传感器模块(101)用于扫描所有接入点无线传感器的物理地址，离线接收信号强度采集模块(102)用于采集位于参考点处来自于接入点无线传感器的离线接受信号强度数据。

本技术方案更进一步的优化，所述粗指纹库建立模块(200)包括参考点位置记录模块(201)、粗指纹库生成模块(202)和粗指纹库输出模块(203)；粗指纹库建立模块(200)将由参考点离线接收信号强度采集模块(102)采集参考点处的离线接受信号强度数据与由参考点位置记录模块(201)记录参考点处的位置坐标与进行一一对应，遍历所有参考点形成粗指纹库，输送至粗指纹库输出模块(203)。

本技术方案更进一步的优化，所述特征指纹库提取模块(300)包括离线接收信号归一化模块(301)、四层深度置信网络模块(302)、特征指纹提取模块(303)和特征指纹库输出模块(304)；离线接受信号归一化模块(301)与粗指纹库建立模块(200)相连，将每个参考点处的离线接收强度信号归一化到(0，1)之间，将归一化的离线接收信号强度信号在四层深度置信网络模块(302)中进行训练，特征指纹提取模块(303)将四层深度置信网络模块(302)中的权重与偏置矩阵提取出来作为特征指纹进行存储，特征指纹库输出模块(304)组合所有参考点处的特征指纹形成特征指纹库进行输出。

本技术方案进一步的优化，所述在线数据融合模块(400)包括实时接收信号强度数据采集模块(401)、实时接收信号强度数据归一化模块(402)、在线数据融合模块(403)、参考点地理位置读入模块(404)和目标位置计算模块(405)；所述实时接收信号强度采集模块(401)采集接入点无线传感器的实时接收信号强度，实时接收信号归一化模块(402)将实时信号归一化至(0，1)之间，在线数据融合模块(403)与特征指纹库提取模块(300)及实时接收信号强度数据归一化模块(402)相连，在线数据融合模块(403)通过数据融合算法得到目标位置出现在参考点的概率，并输出至目标位置计算模块(405)；同时参考点地理位置读入模块(404)从特征指纹库提取模块(300)中获取参考点的位置坐标并输送至目标位置计算模块(405)，该模块通过参考点的位置坐标及实时接收信号强度数据出现在参考点概率计算出目标的位置坐标，目标位置输出模块(500)将实时接收信号强度对应的位置坐标进行输出。

本技术方案更进一步的优化，所述四层深度置信网络模块(302)包括特征指纹预训练模块(3021)、数据重构模块(3022)和特征指纹调优模块(3023)，所述特征指纹预训练模块(3021)与粗指纹库建立模块(200)相连，所述特征指纹预训练模块(3021)将离线接收信号强度进行归一化，并利用四层深度置信网络对归一化的离线接收信号强度进行训练，将相邻网络层之间的权重和偏置矩阵定义为特征指纹；特征指纹预训练模块(3021)与数据重构模块(3022)相连，所述数据重构模块(3022)将特征指纹进行转置，通过反向传播重构出接收信号强度数据，特征指纹调优模块(3023)与特征指纹预训练模块(3021)和数据重构模块(3022)相连，所述特征指纹调优模块(3023)将特征指纹预训练模块(3021)的离线接收信号强度与数据重构模块(3022)中重构的接受信号强度做差处理，若差值大于预设阈值时，继续返回特征指纹预训练模块(3021)进行新的特征指纹训练，否则输出特征指纹至特征指纹库提取模块(303)。

本技术方案更进一步的优化，所述在线数据融合模块(403)包括依次连接的实时接收信号强度方差计算模块(4031)、径向函数计算模块(4032)和位置概率计算模块(4033)；所述实时接收信号方差计算模块(4031)与实时接收信号强度归一化模块(402)相连，计算实时采集的接收信号强度的方差，并将方差输送至径向函数计算模块(4032)，所述径向函数计算模块(4032)与特征指纹库提取模块(300)相连，径向函数计算模块(4032)处理的结果输送至位置概率计算模块(4033)，计算出实时接收信号强度数据出现在参考点位置的概率，并将最终的位置概率输送至目标位置计算模块(405)。

本技术方案更进一步的优化，所述的离线接收信号采集模块(102)中无线传感器的采样频率设置为300hz。

本技术方案进一步的优化，所述四层深度置信网络是概率生成模型，由多个限制玻尔兹曼机组成四层深度网络，采用贪婪式算法进行特征指纹的训练。

本技术方案进一步的优化，所述径向基函数是基于欧式距离的高斯函数。

与现有技术相比，本发明具有以下有益效果：

1.定位过程中无需额外的信号发射设备，完全依靠智能终端设备。

2.在离线阶段，在每个参考点处仅需采集100多个离线接收信号强度数据，投入深度置信网络就能训练出特征指纹，相比于其他基于深度学习网络的定位方案在离线数据采集方面更加节约人力。

3.利用训练好的特征指纹，能够实现高精度的估计出目标的实时位置，既满足高精度定位的需求，同时也满足实时性位置估计的性能。

附图说明

图1为基于深度学习的wifi室内定位系统的结构图；

图2为粗指纹库建立的结构原理图；

图3为特征指纹库提取的结构原理图；

图4为在线数据融合的结构原理图；

图5为四层深度置信网络的结构原理图；

图6为在线数据融合的结构原理图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

参阅图2所示，为粗指纹库建立的结构原理图。离线数据获取模块100包括无线传感器模块101和离线接收信号强度采集模块102。无线传感器模块101用于扫描所有接入点xr无线传感器的物理地址，离线接收信号强度采集模块102用于采集位于参考点ys处来自于接入点xr处无线传感器的离线接受信号强度数据，该信号强度数据不限于一个，可以采集无数个。

粗指纹库建立模块200包括参考点位置记录模块201、粗指纹库生成模块202和粗指纹库输出模块203。粗指纹库生成模块202将参考点离线接收信号强度采集模块102采集参考点ys处的离线接受信号强度数据与参考点位置记录模块201记录参考点ys处的位置坐标进行一一对应，遍历所有参考点ys形成粗指纹库，粗指纹包括ys的位置坐标、离线接收信号强度数据及无线传感器的物理地址，将所有粗指纹输送至粗指纹库输出模块203。

离线接收信号采集模块102中无线传感器的采样频率可以设置为300hz左右，既能稳定地采集接收信号强度又能在短时间内采集较多的数据。

参阅图3所示，为特征指纹库提取的结构原理图。特征指纹库提取模块300包含离线接收信号归一化模块301、四层深度置信网络模块302、特征指纹提取模块303和特征指纹库输出模块304。其中，离线接受信号归一化模块301与粗指纹库输出模块203相连，将每个参考点ys处的离线接收强度信号归一化到(0，1)之间，使得离线接收信号强度信号能够在四层深度置信网络模块302中进行训练。当整个四层深度置信网络完成训练之后，特征指纹提取模块303将四层深度置信网络训练出的权重与偏置矩阵提取出来作为特征指纹进行存储。当用深度置信网络遍历训练所有参考点ys处归一化的离线接收信号强度数据之后，特征指纹库输出模块304组合所有参考点ys处的特征指纹形成特征指纹库进行输出，供在线阶段进行目标位置的实时定位所使用，每个参考点ys的特征指纹包括位置坐标、权重、偏置矩阵。

四层深度置信网络是概率生成模型，由多个限制玻尔兹曼机组成四层深度网络，采用贪婪式算法进行特征指纹的训练，该模型如下所示：

p(x，h¹，h²，h³，h⁴)＝p(x/h¹)(h¹/h²)p(h²/h³)p(h³/h⁴)p(h⁴)

其中，x表示输入层，hⁱ(i＝1，2，3，4)分别表示四层隐层的输出变量，通过四层的训练最终生成一个全概率模型，用于接收信号强度数据的重构。每一个隐层的神经元个数依据采集的接收信号强度数据的维度，按照逐层递减的顺序为每一个网络层设置神经元的个数。该神经网络中前向传递的激活函数为sigmoid函数，后向传输中采用梯度下降算法，进行特征指纹的训练。{w1,b1},{w2,b2},{w3,b3}和{w4,b4}分别表示隐层之间的权重和偏置矩阵，当深度置信网络训练完成，提取所有的权重和偏置矩阵作为特征指纹进行存储，指纹训练如下式所示：

其中，hⁱ(i＝1，2，3，4)分别表示四层隐层的输出变量,{wi,bj}(i＝1，2，3，4)表示四层隐层对应的权重和偏置矩阵。

参阅图5所示，为四层深度置信网络的结构原理图。四层深度置信网络模块302包含特征指纹预训练模块3021、数据重构模块3022和特征指纹调优模块3023。其中特征指纹预训练模块3021与离线接收信号强度数据归一化模块301相连，对归一化的离线接收信号强度数据，利用四层深度置信网络进行训练。归一化的离线接收信号强度数据在第一层深度置信网络中训练完成后，固定训练好的第一层权重和偏置矩阵，即{w1,b1}，并将其作为第二层深度置信网络的输入。接着进行第二层深度置信网络的训练，得到第二层深度置信网络的权重和偏置矩阵，即{w2,b2}，以此类推，进行后面第三层、第四层深度置信网络的训练，完成整个深度置信网络的前向训练，将相邻网络层之间的权重和偏置矩阵定义为特征指纹，即特征指纹包括{w1,b1},{w2,b2},{w3,b3}和{w4,b4}。特征指纹与训练模块3021与数据重构模块3022相连，将预训练的特征指纹进行转置，通过反向传播重构出接收信号强度数据。具体的方法是从第四层开始反向传播，通过第四层特征指纹的转置重构出第三层网络，紧接着通过第三层特征指纹的转置重构出第二层网络，以此类推，重构出原始的接受信号强度数据，完成数据重构模块3022。特征指纹调优模块3023分别与特征指纹预训练模块3021和数据重构模块3022相连，将特征指纹预训练模块3021的离线接收信号强度与数据重构模块3022中重构的接受信号强度做差处理，判断差值的大小，当差值大于预设阈值时，继续返回特征指纹预训练模块3021进行新的指纹训练，继续进入数据重构模块3022进行原数据的重构，再进入重构信号与原信号的差值判断，直到最终的差值小于或等于预设阈值，完成特征指纹的训练，输出至特征指纹库提取模块303。

参阅图4所示，为在线数据融合的结构原理图，在线数据融合模块400包含实时接收信号强度数据采集模块401、实时接收信号强度数据归一化模块402、在线数据融合模块403、参考点地理位置读入模块404和目标位置计算模块405。其中，实时接收信号强度采集模块401采集接入点无线传感器的实时接收信号强度，完成采集后，紧接着在实时接收信号归一化模块402中将实时信号归一化至(0，1)之间便于在深度置信网络中进行处理。在线数据融合模块403与特征指纹库输出模块304及实时接收信号强度数据归一化模块402相连，通过数据融合算法得到目标位置出现在参考点ys的概率输出至目标位置计算模块405；同时参考点地理位置读入模块404从特征指纹库输出模块304中获取参考点ys的位置坐标并输送至目标位置计算模块405，该模块通过参考点ys的位置坐标及实时接收信号强度数据出现在参考点ys概率计算出目标的位置坐标，最后由目标位置输出模块500将实时接收信号强度对应的位置坐标进行输出。

参阅图6所示，为在线数据融合的结构原理图，在线数据融合模块403实时接收信号强度方差计算模块4031、径向函数计算模块4032和位置概率计算模块4033。实时接收信号方差计算模块4031与实时接收信号强度归一化模块402相连，计算出实时采集的接收信号强度的方差，并将此方差输送至径向函数计算模块4032。另外径向函数计算模块4032与特征指纹库输出模块304相连，通过每个参考点ys的特征指纹进行接收信号强度数据在参考点ys处的重构，并计算实时接收信号强度向量与重构接收信号强度的欧几里得距离，径向基函数将该欧几里得距离与实时接收信号强度的方差建立起高斯分布函数。径向基函数计算出的结果输送至位置概率计算模块4033，计算出实时接收信号强度数据出现在参考点ys位置的概率，并将最终的位置概率输送至目标位置计算模块405。

径向基函数是基于欧式距离的高斯函数，能够逼近任意非线性关系，处理数据内部的复杂关系。径向基函数作为神经网络的全连接层，中心数据为离线接收信号强度，通过训练好的特征指纹获取重构的接受信号强度，经过欧式距离建立高斯函数，计算出当前接收信号强度出现在特征指纹对应的参考点ys的概率。该方法中的径向基函数如下式所示：

其中，p(x/li)表示先验概率，即当前接收信号强度出现在参考点ys位置的概率x表示当前接收信号强度数据，表示利用参考点ys处的特征指纹重构的接受信号强度数据，σ表示当前接收信号强度数据的方差。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。